基于马尔可夫随机场的遥感图像分割和描述

第29卷增刊1999年11月

东 南 大 学 学 报J OURNAL OF SOUTHEAST UNIVERSITY Vol 129Sup.Nov.1999

基于马尔可夫随机场的遥感图像分割和描述

刘伟强 陈 鸿 夏德深

(南京理工大学603教研室,南京210094)

摘 要 讨论了基于马尔可夫随机场的遥感图像分割.根据卫星遥感图像的特点,建立了相应的基于马尔可夫随机场的图像分割模型.由此将图像分割问题转化成图像标记问题,并进一步转化成求图像的最大后验概率估计的问题.本文引进了一种基于博弈理论的决定性退火算法,可以用该算法对图像进行标记,该算法收敛于局部最大,在实验中取得了很好的效果.

关键词 马尔可夫随机场;图像分割,模拟退火;最大后验概率;博弈理论

分类号 TP391141

X 国防科工委重点项目(Y97#14-7).

收稿日期:1999-04-20. 第一作者:男,1978年生,硕士研究生.

在卫星遥感农作物估产应用中,对遥感图像进行处理的好坏直接影响到估产的精度.在用统计方法对图像进行分析处理时,主要是根据对图像建立的不同概率统计模型,采用适当的统计方法.S.Geman 和D.Ge man 建立了基于马尔可夫随机场和最大后验概率的图像恢复和边缘提取的理论,将图像恢复和边缘提取问题转化为MRF 的最大后验概率求解问题,同时给出了

用模拟退火方法求解最大后验概率的第一个严格收敛于全局最大值的证明[1].此后,这一方法

在图像处理中得到了广泛的应用.本文的任务是基于马尔可夫随机场图像分割模型对卫星图像进行分割,计算棉花地块面积,然后改进所得棉花种植地块斑图

1 马尔可夫随机场图像分割模型的建立

马尔可夫随机场是以其局部特性(马尔可夫性)为特征的,吉布斯随机场是以其全局特性(吉布斯分布)为特征的.Ha mmersley-Clifford 定理则建立了这两者之间的一致关系.

在遥感图像中,如果一个点的邻点都是棉花,那么这个点极可能也是棉花,即图像的局部性.这可以用马尔可夫随机场来描述.由Hammersley-Clifford 定理可知,要定义一个马尔可夫

随机场,由于它与一个吉布斯随机场相对应,如果定义了该吉布斯随机场的能量函数[2,3],那

么这个马尔可夫随机场也就确定了.在本文中,作者采用的是目前比较流行的最大后验概率估计[4](Maximum A Posterior,简称MAP)的算法.这样,问题就转化为求解图像的MAP 的问题.MAP 估计器可描述如下:

X MAP =argmaxP X I 8

X|F (X |f )(1) P X|F (X |f )=P X,F (X ,f )P F (f )=P F|X (f |X )P X (X )P F (f )(2)

其中,P X(X)是标记X的先验概率,是关于图像结构一般性知识的概率描述;P F|X(f|X)是观察值f的概率密度函数(probability density function,简称p.d.f.),也称为似然函数(likelihood function),它是从标记图像X得到观察图像F的概率描述.P F(f)是观察值f的概率,因为观察数据f是给定的,P(f)是一常量.因此有:

P X|F(X|f)W P F|X(f|X)P x(X)(3)如果我们将每个区域看作一个标记,则图像分割问题可以看作图像标记问题,因而可以使用一般图像模型.下面,进一步将其具体化,以适用于所要完成的任务.根据前面的说明,图像标记问题就是求得标记场的极大后验概率估计.问题的关键在于定义先验概率P(F)和似然函数P(F|X).根据大数定理,假设概率密度函数P(f s|X s)服从高斯分布,则可用它的均值L K和方差R K来表示其分布规律.这样似然能量函数可以表示如下:

U1(X,F)=6

s I S 1n2PR X

s

+

(f s-L X

s

)2

2R2X

s

(4)

对于先验概率,,.考虑到计算效率,如果势团种类太多,计算复杂度将大大提高,一般在马尔可夫模型中多采用二阶邻域系(8邻域系);另外,根据要处理的地面遥感卫星图像,目标对象没有一定的结构,各个方向都有可能.因此,采用了同构且各向同性的二阶邻域系(8邻域系),充分考虑邻域影响,其对应的势团只考虑双点势团,即当C X{s,r}时势团势能V C=0,否则双点势团势能可以表示如下:

V2(X c)=V{s,r}(X s,X r)=-B X s=X r

+B X s X X r

(5)

其中,B是模型参数,通常在(015,1).它控制区域的同构性(homogeneity).相应的先验能量函数为:U2(X)=6c I C V2(X c).在马尔可夫图像分割模型中,单点势团的作用完全可以用双点势团来反映.研究加入单点势团势能的原因,就是为了惩罚孤立点,使得其先验能量相对地比较大,这样单个点的后验能量函数值也比较大.由于所要求的是后验能量函数的最小值,因此这种孤立点在求解最小值的过程中就会被抛弃.观察式(5)中的双点势团势能,孤立点与周围点的标记值都不相同,因此其所有的双点势团均为正,这样一来其先验能量函数值也比较大,产生了上述所要得到的同样效果.因此,在模型中只考虑双点势团的势能.于是,后验能量可以表示为:

U(X,F)=U1(X,F)+U2(X)(6) 2基于博弈理论的决定性退火算法(GSA)

马尔可夫随机场模型结合贝叶斯方法,通常将图像分割问题归结为求解标记场的最大后验概率,属于所谓的组合优化(combinatorial optimization)问题.模拟退火[5](Simulated Annealing,简称SA)算法是解决该问题的一种有效方法.虽然SA算法能发现全局最优,但它需要大量的计算时间.为避免这个缺点,许多人提出了决定性的退火算法,本文引入了一种基于博弈理论的退火算法.

博弈理论(Game Theory)产生于30年代,本文应用的是该理论的一个特殊分支,称为不协作n人游戏理论(noncooperative n-person game theory).在一个n人游戏中,玩家的集合为I= (1,2,,,n),每个玩家有自己的一个游戏策略集合S i.游戏过程就是每一个玩家从自己的游戏策略中选择一种策略s i I S i.这样,就得到了一种状态S=(s i,,,s n),此时每个玩家都有一12东南大学学报第29卷

个代价(payoff )函数H i (s ).S 表示所有状态的集合.游戏的目的就是使得总的代价最小,就是

对于一个状态s *=(s *1,,,s *n ),如果没有任何一个玩家可以通过只改变自己的策略来减少

代价,这种状态就称为游戏的Nash 平衡点.用代价函数可以表示如下:

P i:H i (s *)=min s i I S i

H i (s *+s i )其中,s *||s i 表示用s i 代替s *中的s *i 而得到的状态.对于一个不协作的n 人游戏来说,每个玩家独立地选择策略以最小化自己的代价,游戏的Nash 平衡点总是存在的.我们令s (k )=(s (k )1,,,s (k )n )表示第k 次的状态;H i (s )表示在状态s 下玩家i 的代价;A I (0,1)是一个实数常量,它表示接受新策略的概率.若把象素看作玩家,象素的标记集看作玩家的策略,代价函数看作能量函数,那么游戏方法和图像标记有很大的相似性.

只要求得游戏的Nash 平衡点,也就得到了后验能量的局部极小点.基于博弈理论的决定性退火算法具体描述如下:

第一步:任选初始状态X 0=(X 0s I ,,,X 0s N ),令k =0;

第二步:对于当前状态X k =(X k s I ,,,X k s N )的每个X k s (s I S ),均选择一种标记X c s X X k s ,使其满足以下条件:

U s (X c s )=min K I +-{X k s }

U s (K )

其中,U s (K )表示点s 标记为K 时的局部能量.也就是说,在每个点选择具有最小局部能量的标记.

第三步:如果U s (X c s )\U s (X k s ),则X k+1s =X k s ;否则,以概率A 接受X

c s ,即X k +1s =X c s U s (X c s )

X k s 否则

其中,N 是(0,1)上的随机数.

令X k+1=(X k+1s 1,,,X k+1s N

).第四步:如果算法终止条件满足,则算法终止;否则,k =k +1,转第二步.

值得注意的是,在GSA 方法中,候选标记是以决定性的方法选出的,它的接受是随机的;在SA 方法中,候选标记的选择和接受都是随机的.实际上GSA 方法随机的主要目的是从振荡中逃逸出来,而SA 方法随机的主要目的是逃逸出局部最小.虽然GSA 方法只能收敛于局部极小值,但是从后面的实验来看,GSA 方法的结果与SA 的结果相差不远,但计算时间却大大减少,取得了很好的效果,完全解决了SA 方法的计算复杂度问题.并且,由于GSA 算法的初始值是任意选取的,所以GSA 对初始值的依赖性明显减弱.3 基于网格法的斑图优化描述

遥感图像的分割斑图主要用于决策,若斑图太破碎,则不易于观察农作物的分布,视觉效果较差.在本文中,采用了网格法来进行改进.

一幅农作物种植地块斑图,可以在其上铺一层网格.各网格大小相同.目的是去掉那些太破碎的地块,并且将稍大的地块合并,以得到较好的视觉效果.对每一网格内的像素进行分析,设定a%为一门限值,若此网格中有大于a%的像素数是棉花,则认为这个网格内的像素都是棉花,否则认为这个网格内的像素都非棉花.这样可使棉花像素更加聚集并去掉了棉花比较分散和太碎的棉花地块.在这里,有两个参数可以调节:网格的大小n 和门限a%,它们根据不同13增刊刘伟强等:基于马尔可夫随机场的遥感图像分割和描述

的图像应该取不同的值.如图1所示

.

(a )优化前斑图 (b )优化后斑图

图1 GSA 算法图像分割结果及优化结果

4 实验结果

在实验中,采用的是美国陆地卫星TM 图像中2,3,4波段的合成图像,图像大小为256@256,灰度级为256.我们采用了传统的SA 算法和GSA 算法两种方法进行分割.算法将图像分割成三类,关于算法参数,三类的均值和方差如表1所示:

表1 监督参数集

分割类型

均值方差棉花田

146.358.54小麦田

100.4124.63其他区域33.923.57

模型参数B =016.GSA 算法中的接受概率A =017.分割后的棉花地块图像如图2(c)(GSA)、图1(b)(SA)所示.分割结果如表2所示.

表2 分割结果数据

算法

迭代次数计算时间/s 棉田面积/亩收敛能量SA 算法

GSA 算法31176713431818.1530539.70112343.1109944.5

5 小 结

从分割图像和结果数据中可以看出,GSA 算法的结果与SA 算法的结果基本相同,而计算时间比SA 算法要少了很多.值得指出的是,SA 算法,由于各类均值和方差的选取不一定十分

14东南大学学报第29卷

(a)原始卫星图像 (b)SA 算法分割结果 (c)GSA 算法分割结果

图2 图像分割结果

准确,而且降温方法与理论要求有一定差距,使得SA 算法显然没有收敛到较小的能量函数值.但是,GSA 算法结果能够说明该算法的有效性.棉花种植地块斑图经过网格法的处理有了明显改善,并保持了原有特性,如图1(b )所示.图像分割效果较好.

参考文献

1 Geman S,Geman D.Stochas tic relaxation,Gibbs dis tributions,and the Bayesian restoration of images.IEEE Trans.Pattern Anal Machine Intell,1984,l((PAMI-6):721~741

2 Elliott H,Derin H,Cristi R,et al.Application of the Gibbs diatributi on to i mage segmentation.Proc IEEEE Int Conf Acoust Speech Signal Process,1984,2:321511~321514

3 Deri n H,Elliott H.Modeling and segmentation of noisy and textured i mages usi ng Gibbs Random Fields.IEEE Trans Pattern Anal Machine Intell,1987,l(PAMI-9):39~55

4 Panj wani,Healley.Markov random field models for unsupervised segmentation of textured colors images.IEEE Trans Pattern Anal Machine Intell,1995,17(10):939~954

5 刘岩.模拟退火算法的背景和单调升温的模拟退火算法.计算机研究与发展,1996,33(1):4~10

Segmentation and Description of Satellite Image

based on Markov Random Field

Liu weiqiang Chen hong Xia Deshen

(The 603Laboratory of Nanjing University of Science and Technology,Nanjing 210094)

Abstract: The segmentation of Remote Sensing I mage based Markov Random Field (MRF)is discussed in this article.According to the characteristics of satellite image,a segmentation model based on MRF is established.Thus,the proble m of segmenta tion is converted to the problem of image symbolizing,and f-i nally converted to the solution of Maximum A Posterior(MAP).In this paper we provide a deter ministic algorithm which is based on 0Game Theory 0,use it to symbolize the image and prove that it can converge to a local optimum.Good result is got in the e xperiment.

Key words: Markov random field;image segmentation;simulated annealing;maximum a posterior;game theory 15增刊刘伟强等:基于马尔可夫随机场的遥感图像分割和描述

图像分割概述

图像分割总结 图像分割就是把图像中有意义的特征部分提取出来，例如，图像中的边缘、区域等，通过特征部分的提取将图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标。图像分割是由图像处理到图像分析以及其他操作的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法（可以分为全局阈值方法和局部阈值方法）、基于区域的分割方法（区域生长算法、分裂合并算法、分水岭算法等）、基于边缘的分割方法（分为串行边缘检测技术和并行边缘检测技术）以及基于统计模式分类的分割方法等。 1、智能剪刀 智能剪刀是一个新的，交互式的，用于图像分割和合成的工具。数字图像分割技术用来从周围的背景中提取图像成分。但是当时基于计算机的分割工具非常粗糙，并且和手工跟踪相比没有太大的优势。 然而，智能剪刀可以通过鼠标的移动快速和精确地提取图像中的物体。当鼠标确定的位置接近一个物体的边缘的时候，一个live-wire边界捕捉并且包围了我们感兴趣的物体。live-wir e是一种交互式分割方法,其基本思想是利用动态规划方法产生图像中给定两点间的最优路径,合理地构造代价函数和选择起始点和目标点,用以提取物体的边缘。live-wir e边界检测将离散的动态规划问题规划为一个二维图像的搜索问题。动态规划提供了数学意义上最佳的边界，同时也极大的减少了局部噪声和其他干扰结构的影响。 该算法选择的边界不是邻接边中的最强壮的边，而是与现在正在被跟踪的边的特定类型相符合的边，这一过程我们成为on-the-fly training，增强了算法的可靠性和智能剪刀工具的健壮性。通过智能剪刀提取出来的物体可以被放大或者缩小，旋转，以及利用live-wire掩模和空间频率等值性组合成新的图像。空间频率等值是利用巴特沃斯低通滤波器实现的。 智能剪刀提供了一个用于物体提取和图像合成的精确并且高效的交互性工具，它不仅可以用于灰度图像，同时也可适用于任意复杂度的彩色图像，并且基于这个工作还有很多扩展应用。 2、图切割 N维图像中物体的最优边界和区域分割的交互式工具——图切割。用户通过将某些像素标记为“物体”或者“背景”来提供分割的硬约束，额外的软约束包括边界和区域信息。图切割用于找到N维图像全局最优的分割。在所有满足约束的分割中，通过这个工具得到的

遥感影像的分类处理

摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程

图像分割 实验报告

实验报告 课程名称医学图像处理 实验名称图像分割 专业班级 姓名 学号 实验日期 实验地点 2015—2016学年度第 2 学期

050100150200250 图1 原图 3 阈值分割后的二值图像分析：手动阈值分割的阈值是取直方图中双峰的谷底的灰度值作为阈值，若有多个双峰谷底，则取第一个作为阈值。本题的阈值取

%例2 迭代阈值分割 f=imread('cameraman.tif'); %读入图像 subplot(1,2,1);imshow(f); %创建一个一行二列的窗口，在第一个窗口显示图像title('原始图像'); %标注标题 f=double(f); %转换位双精度 T=(min(f(:))+max(f(:)))/2; %设定初始阈值 done=false; %定义开关变量，用于控制循环次数 i=0; %迭代，初始值i=0 while~done %while ~done 是循环条件，~ 是“非”的意思，此 处done = 0; 说明是无限循环，循环体里面应该还 有循环退出条件，否则就循环到死了; r1=find(f<=T); %按前次结果对t进行二次分 r2=find(f>T); %按前次结果重新对t进行二次分 Tnew=(mean(f(r1))+mean(f(r2)))/2; %新阈值两个范围内像素平均值和的一半done=abs(Tnew-T)<1; %设定两次阈值的比较，当满足小于1时，停止循环， 1是自己指定的参数 T=Tnew; %把Tnw的值赋给T i=i+1; %执行循坏，每次都加1 end f(r1)=0; %把小于初始阈值的变成黑的 f(r2)=1; %把大于初始阈值的变成白的 subplot(1,2,2); %创建一个一行二列的窗口，在第二个窗口显示图像imshow(f); %显示图像 title('迭代阈值二值化图像'); %标注标题 图4原始图像图5迭代阈值二值化图像 分析：本题是迭代阈值二值化分割，步骤是：1.选定初始阈值，即原图大小取平均；2.用初阈值进行二值分割；3.目标灰度值平均背景都取平均；4.迭代生成阈值，直到两次阈值的灰 度变化不超过1，则稳定；5.输出迭代结果。

实验五图像分割及目标检测

电子科技大学 实 验 报 告 学生姓名： 学号： 指导教师：彭真明 日期： 2014 年 5 月 20 日 一、实验名称：图像分割及目标检测 二、实验目的：

1、了解图像边缘检测及图像区域分割的目的、意义和手段。 2、熟悉各种经典的边缘检测算子、图像分割方法及其基本原理。 3、熟悉各种图像特征表示与描述的方法及基本原理。 4、熟练掌握利用matlab 工具实现各种边缘检测的代码实现。 5、熟练掌握利用matlab 工具实现基本阈值分割的代码实现。 6、通过编程和仿真实验，进一步理解图像边缘检测、图像分割及其在目标检测、目标识别及跟踪测量应用中的重要性。 三、实验原理及步骤： 1、利用Soble算子进行图像的边缘检测 （1）原理与步骤 数字图像的边缘一般利用一阶/二阶差分算子进行检测。常用的差分算子包括：Roberts 算子（交叉对角算子），Prewitt 算子（一阶），Sobel 算子（一阶），Laplacian 算子（二阶），LoG 算子（二阶）及Canny 边缘检测算法等。其中，Soble 算子为常见的一类梯度算子（一阶梯度算子）。 其x, y 方向的梯度算子分别为： 一幅数字图像I（如图1）与Sx 和Sy 分别做卷积运算后（可采用多种方式，如conv2，filter2 及imfilter），可以求得x,y 两个方向的梯度图像Dx,Dy，然后，可以计算得到原图像的梯度幅度，即 或：

（2）进一步执行梯度图像D 的二值化处理（建议采用Otsu 阈值，也可考虑其他阈值分割），检测图像的二值化边缘。 （3）对于与步骤同样的输入图像I，利用matlab 工具的edge(I,’soble’)函数进行处理。试比较处理结果与步骤（2）的得到的结果的差异，并分析存在差异的原因。 （4）画出原图像、原图像的Dx, Dy 图，幅度图（D）及最后的二值化边缘检测结果图。 2、数字图像中目标区域的形心计算 （1）按如下公式计算原图像（图 2）的质心。 （2）对图 2 中的黑色形状目标进行阈值分割，得到二值化的图像； 图2 原始图像（240*240） （3）计算目标形状的面积（以像素表示）； （4）计算图中黑色形状目标的形心位置，并在原图上进行位置标记（可用红色小圆圈）。 其中，M，N 为图像尺寸。x,y 为像素图像平面上的坐标。 （5）画出原图像、原图上叠加质心标记图；分割后的二值化图及分割图上叠加形心标记图。 四、程序框图

图像分割技术的研究背景及意义

图像分割技术的研究背景及意义 1概述 2图像分割技术的研究背景及意义 2.1阈值分割方法 2.2基于边缘的分割方法 2.3基于区域的分割方法 2.4 结合特定理论工具的分割方法 1概述 图像的研究和应用中，人们往往对图像中的某些部分感兴趣，这些感兴趣的部分一般对应图像中特定的、具有特殊性质的区域（可以对应单一区域，也可以对应多个区域），称之为目标或前景；而其他部分称为图像的背景。为了辨识和分析目标，需要把目标从一幅图像中孤立出来，这就是图像分割要研究的问题。 2图像分割技术的研究背景及意义 图像分割是图像处理中的一项关键技术，也是一经典难题，发展至今仍没有找到一个通用的方法，也没有制定出判断分割算法好坏的标准，对近几年来出现的图像分割方法作了较为全面的综述，探讨了图像分割技术的发展方向，对从事图像处理研究的科研人员具有一定的启发作用。 图像分割是图像分析的第一步，图像分割接下来的任务，如特征提取、目标识别等的好坏，都取决于图像分割的质量如何。由于该课题的难度和深度，进展比较缓慢。图像分割技术自20世纪70年代起一直受到人们的高度重视，虽然研究人员针对各种问题提出了许多方法，但迄今为止仍然不存在一个普遍适用的理论和方法。另外，还没有制定出选择适用分割算法的标准，这给图像分割技术的应用带来许多实际问题。最近几年又出现了许多新思路、新方法或改进算法，对一些经典方法和新出现的方法作了概述，并将图像分割方法分为阈值分割方法、边缘检测方法、区域提取方法和结合特定理论工具的分割方法4类。

2.1阈值分割方法 阈值分割方法的历史可追溯到近40前，现已提出了大量算法。阈值分割法就是简单的用一个或几个阈值将图像的直方图分成几类，图象中灰度值在同一个灰度类内的像素属于同一个类。它是一种PR法。其过程是决定一个灰度值，用以区分不同的类，这个灰度值就叫阈值。它可以分为全局阈值分割和局部阈值分割。所谓全局阈值分割是利用整幅图像的信息来得到分割用的阈值，并根据该阈值对整幅图像进行分割；而局部阈值分割是根据图像中的不同区域获得对应的不同区域的阈值，利用这些阈值对各个区域进行分割，即一个阈值对应一个相应的子区域，这种方法也叫称为适应阈值分割。可以看出，确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。阈值分割方法根据分割算法所有的特征或准则，还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松驰法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。 目前提出了许多新方法，如严学强等人提出了基于量化直方图的最大熵阈值处理算法，将直方图量化后采用最大熵阈值处理算法，使计算量大大减小。薛景浩、章毓晋等人提出基于最大类间后验交叉熵的阈值化分割算法，从目标和背景的类间差异性出发，利用贝叶斯公式估计象素属于目标和背景两类区域的后验概率，再搜索这两类区域后验概率之间的最大交叉熵。这种方法结合了基于最小交叉熵以及基于传统香农熵的阈值化算法的特点和分割性能，取得很好的通用性和有效性，该算法也容易实现二维推广，即采用二维统计量（如散射图或共生矩阵）取代直方图，以提高分割的准确性。俞勇等人提出的基于最小能量的图像分割方法，运用了能量直方图来选取分割阈值。任明武等人提出的一种基于边缘模式的直方图构造新方法，使分割阈值受噪声和边缘的影响减少到最小。程杰提出的一种基于直方图的分割方法，该方法对Ostu准则的内在缺陷进行了改进，并运用对直方图的预处理及轮廓追踪，找出了最佳分割阈值。此方法对红外图像有很强的针对性，付忠良提出的基于图像差距度量的阈值选取方法，多次导出Ostu方法，得到了几种与Ostu类似的简单计算公式，使该方法特别适合需自动产生阈值的实时图像分析系统。陈向东、常文森等人提出了基于小波变换的图像分数维计算方法，利用小波变换计算图像的分数维准确性高的特性。结果表明计算出的图像分数维准确，而且通过应用快速小波变换可以满足实时计算的要求，为实时场景分析提供有效的方法。建立在积分几何和随机集论基础之上的数学形态学以其一整套变换、概念和算法为数学工具，提供了并行的、具有鲁棒性的图像分割技述。它不仅能得到图像中各种几何参数的间接测量，反映图像的体视特性，而

高空间分辨率遥感影像分割方法研究综述

高空间分辨率遥感影像分割方法研究综述 高空间分辨率遥感影像分割方法研究综述 刘建华毛政元 （福州大学,空间数据挖掘与信息共享教育部重点实验室，福建省空间信息工程研究中心，福州350002） 摘要:遥感影像分割是指把一幅影像划分为互不重叠的一组区域的过程，它要求得到的每个区域的内部具有某种一致性或相似性，而任意两个相邻的区域则不具有此种相似性。遥感影像分割是面向对象的遥感影像数据挖掘与应用中的一项关键技术,对于影像目标信息自动化提取与智能识别尤为重要，在面向对象的遥感影像处理工程中具有重要意义。本文对常见的高空间分辨率遥感影像分割方法与应用策略进行了分析，比较了各种分割方法的应用范围、优缺点及目前存在的改进措施。建立了面向对象的遥感影像分割方法的分类体系，最后指出了面向对象的遥感影像分割方法目前所存在的问题及应用前景。 关键词:高空间分辨率遥感影像影像分割方法应用策略进展 A Survey on High Spatial Resolution Remotely Sensed Imagery Segmentation Techniques and Application Strategy Liu Jian hua Mao zheng yuan (Fuzhou University, Spatial Information Research center, Fuzhou, 350002) Abstract: Remotely sensed imagery segmentation is a process of dividing an image into different regions such that each region is, but the union of any two adjacent regions is not, homogeneous. It is one of key techniques in the object-oriented remotely sensed imagery data mining and its application, also quite essential in remote sensing image processing engineering. In this paper, we have a rough survey on different methods of high spatial resolution remotely sensed imagery segmentation, categorizing them into four groups according to the gray or color information they are exploiting. The disadvantage of current methods and the proper progress which can be attained in the near future are pointed out at the end of this essay. Keywords: High Spatial Resolution Imagery, Segmentation methods, application strategy, advances and prospects 1 引言 高空间分辨率遥感影像(如GeoEye、WorldView、QuickBird、IKONOS等，本文简称高分影像)在诸多领域（地形图更新、地籍调查、城市规划、交通及道路设施、环境评价、精细农业、林业测量、军事目标识别和灾害评估等）得以广泛应用[1]。目前，影像信息提取自动化程度低是高分影像应用潜力得不到充分发挥的主要限制因素，是理论和应用研究中必须突破的瓶颈。 遥感影像分割是面向对象的遥感影像分析方法[2]的基础和关键，在遥感影像工程中处于影像处理与影像理解的中间环节，是面向对象的影像分析理论研究的突破口。按照一般的影像分割定义[3],分割出的影像对象区域需同时满足相似性和不连续性两个基本特性；其中相似性指该影像对象内的所有像元点都满足基于灰度、色彩、纹理等特征的某种相似性准则，不连续性是指影像对象的特征在区域边界处的不连续性。迄今为止,将计算机视觉领域的图像分割算法应用于图像分割过程中,已开展了较多的研究[4-7],并提出了大量的算法；但针对遥感影像尤其是高分影像的分割方法较少[8],仍不成熟。这是由于与其它类型图像的分割相比，高分影像分割难度更大,也更具挑战性。具体体现在高分影像其空间分辨率高、纹理信息丰富而光 基金项目: 国家重点基础研究发展计划项目（973）子课题“高空间分辨率遥感影像自适应数据挖掘方法研[2006CB708306]”，国家自然科学基金项目“基于场模型的自适应空间聚类方法研究[40871206]”。 作者简介: 刘建华，男，博士研究生,曾从事GIS与RS教学工作。目前主要研究方向为空间数据挖掘、遥感图像处理以及GIS与RS集成等。E-mail：sirc.liujh@https://www.sodocs.net/doc/a110876352.html,。

基于马尔可夫随机场的遥感图像分割和描述

第29卷增刊1999年11月 东 南 大 学 学 报J OURNAL OF SOUTHEAST UNIVERSITY Vol 129Sup.Nov.1999 基于马尔可夫随机场的遥感图像分割和描述 刘伟强 陈 鸿 夏德深 (南京理工大学603教研室,南京210094) 摘 要 讨论了基于马尔可夫随机场的遥感图像分割.根据卫星遥感图像的特点,建立了相应的基于马尔可夫随机场的图像分割模型.由此将图像分割问题转化成图像标记问题,并进一步转化成求图像的最大后验概率估计的问题.本文引进了一种基于博弈理论的决定性退火算法,可以用该算法对图像进行标记,该算法收敛于局部最大,在实验中取得了很好的效果. 关键词 马尔可夫随机场;图像分割,模拟退火;最大后验概率;博弈理论 分类号 TP391141 X 国防科工委重点项目(Y97#14-7). 收稿日期:1999-04-20. 第一作者:男,1978年生,硕士研究生. 在卫星遥感农作物估产应用中,对遥感图像进行处理的好坏直接影响到估产的精度.在用统计方法对图像进行分析处理时,主要是根据对图像建立的不同概率统计模型,采用适当的统计方法.S.Geman 和D.Ge man 建立了基于马尔可夫随机场和最大后验概率的图像恢复和边缘提取的理论,将图像恢复和边缘提取问题转化为MRF 的最大后验概率求解问题,同时给出了 用模拟退火方法求解最大后验概率的第一个严格收敛于全局最大值的证明[1].此后,这一方法 在图像处理中得到了广泛的应用.本文的任务是基于马尔可夫随机场图像分割模型对卫星图像进行分割,计算棉花地块面积,然后改进所得棉花种植地块斑图 1 马尔可夫随机场图像分割模型的建立 马尔可夫随机场是以其局部特性(马尔可夫性)为特征的,吉布斯随机场是以其全局特性(吉布斯分布)为特征的.Ha mmersley-Clifford 定理则建立了这两者之间的一致关系. 在遥感图像中,如果一个点的邻点都是棉花,那么这个点极可能也是棉花,即图像的局部性.这可以用马尔可夫随机场来描述.由Hammersley-Clifford 定理可知,要定义一个马尔可夫 随机场,由于它与一个吉布斯随机场相对应,如果定义了该吉布斯随机场的能量函数[2,3],那 么这个马尔可夫随机场也就确定了.在本文中,作者采用的是目前比较流行的最大后验概率估计[4](Maximum A Posterior,简称MAP)的算法.这样,问题就转化为求解图像的MAP 的问题.MAP 估计器可描述如下: X MAP =argmaxP X I 8 X|F (X |f )(1) P X|F (X |f )=P X,F (X ,f )P F (f )=P F|X (f |X )P X (X )P F (f )(2)

一种改进的高分辨率遥感影像分割方法

第35卷第3期 地球科学———中国地质大学学报 Vol.35　No.32010年5月 Earth Science —Journal of China University of G eosciences May 2010 doi :10.3799/dqkx.2010.050 基金项目:教育部新世纪优秀人才计划资助项目(No.NCET 20720772);国家重点“863”项目(No.2007AA120503). 作者简介:高伟(1980-),男,博士生,主要从事遥感数据处理与信息提取的科研和教学工作.E 2mail :cuggaowei @hot https://www.sodocs.net/doc/a110876352.html, 一种改进的高分辨率遥感影像分割方法 高　伟1,2,刘修国1,2,彭　攀1,2,陈启浩1,2 1.中国地质大学信息工程学院,湖北武汉430074 2.地理信息系统软件及其应用教育部工程中心,湖北武汉430074 摘要:分形网络演化算法是面向对象的遥感影像分类中比较成熟的一种构建对象的算法,但在分割效率上有待进一步提高, 而四叉树分割是一种高效的图像分割方法.提出了一种基于四叉树预分割的分形网络演化构建对象的方法.实验证明,该方法基本不影响影像分割的效果,而且提高了形成初始对象的效率,较大程度上提高了整体的分割效率.关键词:影像分割;分形网络演化;高空间分辨率;四叉树;地理信息系统.中图分类号:TP311 文章编号:1000-2383(2010)03-0421-05 收稿日期:2010-01-15 An Improved Method of High 2R esolution R emote Sense Image Segmentation GAO Wei 1,2,L IU Xiu 2guo 1,2,PEN G Pan 1,2,CH EN Qi 2hao 1,2 1.Facult y of I nf ormation Engineering ,China Uni versit y of Geosciences ,W uhan 430074,China 2.Engineering Research Center f or GIS S of t w are and A p plications ,Minist ry of Education ,W uhan 430074,China Abstract :Fractal net evolution approach (FN EA )is a relatively mature one among the object 2oriented image segmentation algo 2rithms ,but its efficiency is to be improved.Quad 2Tree segmentation is a kind of effective image segmentation method.In this paper ,an improved object oriented multi 2scale image segmentation method based on the quad 2tree pre 2segmentation and FN EA is introduced.The experiment shows that the effect of its segmentation result is almost the same as that of traditional FN EA method.Moreover ,It saves time. K ey w ords :image segmentation ;f ractal net evolution approach ;high 2nesolution remote sense ;quad 2tree ;geographic informa 2tion system (GIS ). 0　引言 近年来,以I KONOS 和Quick 2Bird 为代表的高空间分辨率遥感影像得到广泛应用(高伟,2006).高分辨率遥感影像具有丰富的空间信息,地物几何结构和纹理信息,便于认识地物目标的属性特征,如地物的图层值、形状、纹理、层次和专题属性,有助于提高地物定位和判读精度,使得在较小的空间尺度上观察地表细节变化,进行大比例尺遥感制图,以及监测人为活动对环境的影响成为可能.为土地利用、城市规划、环境监测等民用方面提供了更便利、更详细的数据源.高分辨率影像的广泛应用迫切要求人们对高分辨率遥感信息提取进行研究,以满足高分辨 率影像信息不断增长的应用和研究需要(Chen et al .,2009). 面向对象的高分辨率遥感影像的分类方法不仅利用地物的光谱信息,而且更多地利用几何信息和结构信息,可以结合其他空间知识和上下文信息来进行更为深入的分类,使得对高分辨率影像的分类更为合理和有效,这成为高分辨率影像信息提取的重要方法之一(Blaschke and Hay ,2001;陆关祥等,2002).在面向对象高分辨率影像的信息提取中,对遥感图像进行分割,形成具有一定特征相似性的影像区域,是实现从影像上进行地物目标计算机自动提取的第一步. 目前分形网络演化算法(Baatz and Schape ,

图像分割简介

龙源期刊网 https://www.sodocs.net/doc/a110876352.html, 图像分割简介 作者：高超 来源：《科教导刊》2009年第04期 摘要图像分割就是将图像中具有特定含义的不同区域分解,划分为若干互不相交的有意义 的小区域的过程。图像分割技术的发展首先是从传统的数值处理方法开始的,大致可分为以下 四类:阈值法、区域法、边缘法、模式分类法。 关键词图像分割信息数值处理法 中图分类号:TP39文献标识码:A 据统计,在人类接受的信息中,视觉信息占到60%~70%,这个数据表明图像在传递信息方面 的作用十分重要。在对视觉图像进行处理时,一般是把复杂的景物做出分解,继而对各个目标物体做指定的测量和分析。图像分割就是将图像中具有特定含义的不同区域分解,划分为若干互 不相交的有意义的小区域的过程。 图像分割借助集合概念定义:令集合R代表整个图像区域,对R的分割看作将R分成若干个满足以下5个条件的非空子集(子区域): (1); (2)对所有的i和j,若,有; (3)对,有; (4)对,有; (5)对是连通的区域。 其中是对所有在集合中像素的二值逻辑谓词,是一种相似性度量;如果区域内像素满足某种相似性,它的值为TRUE,否则为FALSE。 上述条件(1)指出分割的完整性,分割所得到的全部子区域的总和(并集)应能包括图像中所有像素,或者说分割应将图像中的每个像素都分进某一个子区域中。条件(2)保证各个子区域是互不重叠的,或者说一个像素不能同时属于两个区域。条件(3)表明分割后得到的属于同一个区域的像素应该具有某些相同特性。条件(4)指出分割后得到的属于不同区域的像素应该具有某些 不同的特性。条件(5)要求同一个子区域内的像素应当是连通的。对图像的分割总是根据一些

一种多尺度无监督遥感图像分割方法

一种多尺度无监督遥感图像分割方法 郭小卫,官小平 (北京东方泰坦科技有限公司,北京100083) 摘要:提出了一种多尺度无监督遥感图像分割方法。通过对多尺度图像数据在每个尺度上进行G auss 子集聚类,并将每个像素的邻域内的G auss 子集类别标记作为特征向量,利用Markov 四叉树模型进行二次聚类,从而实现无监督图像分割。与其他基于多尺度Markov 模型的无监督分割方法和传统动态聚类方法相比,该方法既无需假定每类的分布形式,又能较好地反映数据的概率结构。合成图像与SAR 图像的实验结果表明,该方法的分割精度接近于有监督的H 2MPM 和H 2SMAP 方法。 关键词:多尺度;四叉树;MPM (maximum posterior marginals );EM (expectation maximization )算法;无监督分割中图分类号:P237.3 文献标识码:A 文章编号:1000-3177(2006)88-0020-03 收稿日期:2006-04-06 作者简介:郭小卫,男(1971)～,博士,主要从事图像处理、模式识别和多尺度统计建模等方面的研究。 1　引　言 基于多尺度Markov 模型的图像分割方法[1～4],是近年来基于统计模型的图像分割方法的研究热点。多尺度 Markov 模型分割算法通常采用Bayes 估计。Bayes 估计的前 提条件是每类的概率密度已知。在无监督图像分割问题中,由于训练样本的类别未知,为估计每类的概率密度,需要假定每类的分布形式已知(通常假定每类服从G auss 分布或其他简单分布),从而,利用一些如EM (expectation 2maximiza 2 tion )、SEM (stochastic expectation 2maximization )或ICE (iter 2ative conditional estimation )等混合密度的估计方法,就可以 得到每类的分布参数。但在很多情况下,各类的分布可能无法用某种简单的分布形式来表示,甚至无法用参数化的方法来表示,因而也就不能应用这类方法来估计每类的概率密度。一种替代方法是将图像数据离散化,并应用EM 等算法来估计离散形式的混合分布。但直接对图像数据离散化一方面会造成分布参数过多,并带来计算量增加、EM 算法初始化困难等问题;另一方面,由于缺少足够的约束条件,导致离散形式混合密度的估计结果有很大的不确定性,典型的例子是在各类分布的交叠区,分布参数的估计严重甚至完全依赖于初值的选取。 针对此问题,本文提出一种基于Markov 四叉树模型的无监督图像分割方法。该方法通过对多尺度图像数据在每一尺度上进行G auss 子集聚类,并将聚类的结果(G auss 子集类标记)作为多尺度特征数据,进而应用Markov 四叉树模型和MPM (maximum posterior marginals )估计进行二次聚类,实现无监督图像分割。该方法无需假定每类的分布形式已知;与离散形式的多尺度Markov 模型方法相比,离散值的数目(G auss 子集数)通常很小,使得EM 算法的初值选择比较容易,并减小了参数估计的不确定性。 2　Markov 四叉树模型 本文采用的Markov 四叉树模型,其结构如图1所示。记树上的节点集为S ,根节点为r ,黑节点(隐节点)代表像素的未知类别,白节点(观测节点)代表像素值或像素的某种特征数据,在特定假设条件下[1,3],所有隐节点的集合与观测节点的集合构成一(隐)马尔可夫树。将该模型应用于图像分割,实际上就是根据观测值估计隐节点状态的问题。解决该问题的方法通常有两种,MAP 估计和MPM 估计,本文采用MPM 估计,其具体算法见文献[3] 。 图1　Markov 四叉树模型 要将上述模型应用于图像分割,需要首先估计模型参数。记πm =p (X r =m ),并对Πs ∈S (n ) ,记a m ,k ,n =p (X s =m |X s +=k ),f m ,n (l )=p (Y s =l |X s =m ),Markov 四叉 树模型参数可记为θ=(πm ,(a m ,k ,n )k =1…M ,n =0…N ,(f m ,n (l )) l ∈R ,n =0…N )m =1…M 。若假定转移概率和条件分布仅与尺 度有关,与具体节点无关,并进一步假定每类数据服从G auss 分布,此时,模型参数简化为θ=( πm ,(a m ,k ,n )k =1…M ,n =0…N ,(μm ,n ) n =0,…,N ,(∑m ,n )n =0,…,N )m =1…M 。利用EM 算法,可 得到θ的估计[7]。 3　基于Markov 四叉树模型的无监督分割 上述多尺度Markov 模型的无监督图像分割方法需要假定每类数据服从G auss 等简单分布形式,这种假定在很多情

遥感图像分割和ENVI软件介绍实习报告

遥感图像处理 实训指导书 单位：测绘学院测绘工程1102班 姓名：王文兵 学号：1110020213 指导教师：陈晓宁、黄远程、竞霞、席晶、史晓亮 测绘科学与技术学院

2013 年12 月 实习一遥感图像处理实训概述与ENVI软件介绍 一、实验内容： 随着遥感技术日新月异的发展，伴随近年来我国高分辨率传感器的发展，在地物识别方面取得了巨大的成就和进步。根据陕西省地理国情白皮书的内容，发现我省各城市城区面积呈连年扩大之势，本次实验利用ZY-3卫星获取的2012年7月28日西安地区的高分辨影像为主要的数据源，通过对图像的光谱、空间和纹理信息的分析，采用多尺度分析和面向对象的分析方法，运用遥感影像自动分类方法，包括SVM、knn算法实现城市地物高精度的分类为主要目标。 本次试验加强深入了解ENVI软件的基本操作步骤以及各部分功能的使用方法，并对ZY-3卫星获取的西安市高分辨率影像图加以剪切，即剪切生成图名为g042016的实验图区，其覆盖范围为108°56’15”~109°00’ 00”； 34°15’ 00”~34°17’ 30”；之后对图区地物进行简单描述。 二、实验目的： 1.深入了解ENVI软件的各部分功能以及基本操作步骤，加深理解，增强动手能力； 2.学会对所需图区进行符合要求的剪切操作； 3.学会在高分辨影像图上识别地物并做简单描述；

三、实验步骤： 1.打开ENVI软件，打开File--Open Image File ,加载正视影像图ZY3_01a_mynnavp_017139_20120728_113641_0007_SASMAC_CHN_sec_ rel_001_1208096324.tif； 2.进行所需图区的截取；打开Basic Tools--Resize data(Spatial/Spectral)，之后选中此图像进行截取； 3.单击Spatial Subset--map，之后在空格内输入所需图区的两个对角（左上和右下）经纬度坐标，即（108.9375,3 4.29）；（109,34.25），单击OK确定后点Choose并建立文件夹进行保存，截取图区操作完成； 4.重新加载正视影像图区g042016,肉眼对图像进行简单的地物判别描述； 四、实验结果： 1.截取的全色影像图区g042016结果：

遥感图像分析

0、遥感图像分析 遥感实际上是通过接收（包括主动接收和被动接收方式）探测目标物电磁辐射信息的强弱来表征的，它可以转化为图像的形式以相片或数字图像表现。多波段影像是用多波段遥感器对同一目标（或地区）一次同步摄影或扫描获得的若干幅波段不同的影像。 在遥感影像处理分析过程中，可供利用的影像特征包括：光谱特征、空间特征、极化特征和时间特性。在影像要素中，除色调/彩色与物体的波谱特征有直接的关系外，其余大多与物体的空间特征有关。像元的色调/彩色或波谱特征是最基本的影像要素，如果物体之间或物体与背景之间没有色调/彩色上的差异的话，他们的鉴别就无从说起。其次的影像要素有大小、形状和纹理，它们是构成某种物体或现象的元色调/彩色在空间（即影像）上分布的产物。物体的大小与影像比例尺密切相关；物体影像的形状是物体固有的属性；而纹理则是一组影像中的色调/彩色变化重复出现的产物，一般会给人以影像粗糙或平滑的视觉印象，在区分不同物体和现象时起重要作用。第三级影像要素包括图形、高度和阴影三者，图形往往是一些人工和自然现象所特有的影像特征。 1、遥感信息提取方法分类 常用的遥感信息提取的方法有两大类：一是目视解译，二是计算机信息提取。 1.1目视解译 目视解译是指利用图像的影像特征（色调或色彩，即波谱特征）和空间特征（形状、大小、阴影、纹理、图形、位置和布局），与多种非遥感信息资料（如地形图、各种专题图）组合，运用其相关规律，进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程。早期的目视解译多是纯人工在相片上解译，后来发展为人机交互方式，并应用一系列图像处理方法进行影像的增强，提高影像的视觉效果后在计算机屏幕上解译。 1）遥感影像目视解译原则 遥感影像目视解译的原则是先“宏观”后“微观”；先“整体”后“局部”；先“已知”后“未知”；先“易”后“难”等。一般判读顺序为，在中小比例尺像片上通常首先判读水系，确定水系的位置和流向，再根据水系确定分水岭的位置，区分流域范围，然后再判读大片农田的位置、居民点的分布和交通道路。在此基础上，再进行地质、地貌等专门要素的判读。 2）遥感影像目视解译方法 （1）总体观察 观察图像特征，分析图像对判读目的任务的可判读性和各判读目标间的内在联系。观察各种直接判读标志在图像上的反映，从而可以把图像分成大类别以及其他易于识别的地面特

遥感数字图像处理-要点_百度文库

遥感数字图像处理-要点 1．概论 遥感、遥感过程 遥感图像、遥感数字图像、遥感图像的数据量 遥感图像的数字化、采样和量化 通用遥感数据格式（BSQ、BIL、BIP） 遥感图像的模型：多光谱空间 遥感图像的信息内容： 遥感数字图像处理、遥感数字图像处理的内容 遥感图像的获取方式主要有哪几种? 如何估计一幅遥感图像的存储空间大小? 遥感图像的信息内容包括哪几个方面？ 多光谱空间中，像元点的坐标值的含义是什么？ 与通用图像处理技术比较，遥感数字图像处理有何特点？遥感数字图像处理包括那几个环节？各环节的处理目的是什么？ 2.遥感图像的统计特征 2.1图像空间的统计量 灰度直方图：概念、类型、性质、应用 最大值、最小值、均值、方差的意义 2.2多光谱空间的统计特征 均值向量、协方差矩阵、相关系数、相关矩阵的概念及意义波段散点图概念及分析 主要遥感图像的统计特征量的意义 两个重要的图像分析工具：直方图、散点图 3.遥感数字图像增强处理 图像增强：概念、方法 空间域增强、频率域增强 3.1辐射增强：概念、实现原理 直方图修正，线性变换、分段线性变换算法原理 直方图均衡化、直方图匹配的应用 3.2空间增强 邻域、邻域运算、模板、模板运算 空间增强的概念 平滑（均值滤波、中值滤波）原理、特点、应用 锐化、边缘增强概念

方向模板、罗伯特算子、索伯尔算子、拉普拉斯算子的算法和特点? 计算图像经过下列操作后，其中心象元的值： – 3×3中值滤波 –采用3×3平滑图像的减平滑边缘增强 –域值为2的3×1平滑模板 – Sobel边缘检测 – Roberts边缘检测 –模板 3.3频率域处理 高频和低频的意义 图像的傅里叶频谱 频率域增强的一般过程 频率域低通滤波 频率域高通滤波 同态滤波的应用 3.4彩色增强 彩色影像的类型：真彩色、假彩色、伪彩色

图像分割综述

摘要 图像分割是把图像划分为有意义的若干区域的图像处理技术，分割技术在辅助医学诊断及运动分析、结构分析等领域都有着重要的研究价值和广泛的应用发展前景。 在阅读大量文献的基础上，本文对图像分割技术的理论基础、发展历程及图像分割方法的热点、难点问题进行了分类综述，对不同分割算法优缺点进行了总结和归纳，并对图像分割的发展趋势进行了初步的展望和预测。在此基础上，为了对图像分割理论有更直观的认识，本文选取并行边界算法和分水岭算法这两种方法，用MATLAB软件进行了基础的仿真，并对结果进行了分析和总结， 本文重点对一些近年来新兴的算法，比如水平集（Level-set）算法、马尔科夫随机场算法（Markov）、模糊算法、遗传算法、数学形态学算法等进行了概略性的探讨，对这些新兴算法的特点、原理、研究动态进行了分析和总结。 关键词：图像分割；边界；区域；水平集；马尔科夫

Abstract Image segmentation is an image processing technology that divides the image into a number of regions. Image segmentation has very important significance in supporting medical diagnosis, motion analysis, structural analysis and other fields. Based on recent research, a survey on the theory and development of image segmentation, hot and difficult issues in image segmentation is given in this article. And describes the characteristics of each method as well as their respective advantages and disadvantages in image segmentation .This article introduces and analyzes some basic imaging and image segmentation methods in theory and describes the development trends of medical image segmentation. To have a better understanding of image segmentation, I use MATLAB software to stimulate on images about the parallel edge algorithms and watershed algorithm. And the analysis of the segmentation results is given in the article. This article introduces and analyzes the new algorithms in recent years such as Level-set algorithm, Markov algorithm, Fuzzy algorithm, Genetic algorithm and Morphological algorithm. In this paper, the features, theory and research trends of these algorithms are analyzed and summarized. Keywords: Image segmentation; Border; Area；Level-set；Markov